预测不准最常见原因是ds列类型未统一或节假日日期未对齐主数据时间格式；需确保ds均为datetime64[ns]、窗口设置合理、未来节日显式添加、seasonality_mode匹配业务特性。
ds 列不是 datetime64[ns] 类型，或节假日日期未对齐主数据时间格式，是预测不准的最常见原因——不是模型能力问题，是输入没对齐。
ds列类型错误导致节假日完全失效
Prophet 对 ds 列类型极其敏感。如果主数据的 ds 是字符串、object 或带时区的 datetime64[ns, UTC]，而节假日表的 ds 是纯 datetime64[ns]，两者在内部匹配时会静默失败：节日项不参与拟合，但也不报错。
必须统一执行：
- df['ds'] = pd.to_datetime(df['ds'])
- holidays_df['ds'] = pd.to_datetime(holidays_df['ds'])
- 若有输出 datetime64[ns, UTC]，加 .dt.tz_localize(None) 清除时区
检查手段：
- df['ds'].dtype 和 holidays_df['ds'].dtype 必须完全一致
- df['ds'].min(), holidays_df['ds'].min() 看是否在同一时区/精度下可比
节假日窗口（lower_window/upper_window）设错或缺失
只写一个日期（如 '2023-11-11'）默认只影响当天；但“双11”实际是流量爬坡+爆发+回落过程，单日建模会漏掉前置效应和滞后影响。
正确做法是显式定义作用区间：
- lower_window = -7：提前 7 天开始建模节日影响
- upper_window = 3：延续到节后 3 天
- 二者必须为整数，且组合后不能超出训练数据时间范围，否则该节日记录被跳过
常见错误：
- lower_window 和 upper_window 写成列表但长度与 holiday 列不等 → 静默截断
- 用字符串如 '-7' 而非整数 -7 → 报 TypeError
- 窗口跨了训练集之外的日期（如训练只到 2024-06-01，却设 upper_window=30）→ 该节日不生效
自定义节日未同步进预测阶段
Prophet 不自动推断未来节日，所有 holidays_df 中的 ds 值必须覆盖预测期。若只写了历史节日（如 2020–2023 年双11），而预测要到 2025 年，那 2024 和 2025 年的节日就不存在，模型不会补全。
解决方案：
- 构造节假日表时，用 pd.date_range(start='2020-01-01', end='2026-12-31', freq='Y') + pd.Timedelta 显式生成未来年份对应日期
- 或手动追加：holidays_df = pd.concat([holidays_df, pd.DataFrame({'holiday': 'double11', 'ds': ['2024-11-11', '2025-11-11']})])
- 所有新增行仍需过 pd.to_datetime()
注意：add_country_holidays(country_name='CN') 会自动包含未来法定假日，但仅限国家公布的固定日期（不含调休安排），且不覆盖企业私有活动日。
seasonality_mode 与节日效应强度不匹配
当销量随趋势放大（例如淡季日均 500 单、大促日均 5000 单），却用默认的 seasonality_mode='additive'，节日效应会被当成固定增量（比如恒定 +200 单），导致旺季严重低估、淡季高估。
应改用：
- seasonality_mode='multiplicative'，让节日影响按比例缩放
- 同时配 holidays_prior_scale=10.0（默认 10.0，可适当调高以增强节日权重）
- 但若 y 值含大量 0 或负数，乘法模式会出 NaN，此时必须先过滤或做平移处理
验证方式：
- 绘图看 model.plot_components(forecast) 中 holidays 子图的幅度是否随趋势曲线上扬而放大
- 若仍是平行条带，说明没生效或 mode 不匹配
关键点在于：节假日不是“加个参数就起作用”的开关，它是一组需要时间对齐、范围定义、未来延展和强度适配的协同信号。最容易被忽略的是——你看到的“不准”，往往发生在训练完成之后、预测之前，那个没被检查的 holidays_df['ds'].dtype。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
